基于VMD分解和小波阈值语音信号去噪.docVIP

基于VMD分解和小波阈值语音信号去噪 　　摘要：为了对非平稳、非连续的语音信号进行降噪，提出一种基于VMD分解和小波阈值的语音降噪方法。通过仿真信号对比分析了VMD、EMD和EEMD算法对信号分解中存在的伪分量、模态混叠问题。先用VMD对语音信号进行分解，再利用小波阈值降噪。实验结果表明，该降噪方法明显优于小波阈值的语音信号降噪、基于EMD和小波阈值的语音信号降噪以及基于EEMD和小波阈值的语音信号降噪。 　　关键词：变分模态分解；小波阈值去噪；经验模态分解；总体平均模态分解 　　DOIDOI：10.11907/rjdk.172283 　　中图分类号：TP301文献标识码：A文章编号2017）010001203 　　0引言 　　1998年，Huang N E.等[1]提出了经验模态分解（Empirical Mode Decomposition，EMD）算法。EMD作为一种优秀的时频信号分析方法，不仅可以对线性、平稳的信号进行分析，也同样适合对非线性、非平稳的信号进行分析。与其它时频分析方法相比，EMD能更好地反映信号包含的物理意义。对于EMD本身存在的模态混叠、端点效应等问题，Huang等[2]于2009年提出了总体平均经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）算法。EEMD通过给信号添加高斯白噪声的方法让信号能均匀分布，虽然一定程度上克服了EMD的模态混叠问题，但存在严重的伪分量。Dragomiretskiy等[3]于2013年提出了一种自适应的、非递归的信号分解方法――变分模态分解（Viational Mode Decomposition，VMD）。实际上，VMD算法就是自适应的维纳滤波组，具有有效减少伪分量、模态混叠现象不明显等优势，相比于EMD和EEMD有更好的噪声鲁棒性。 　　国内外众多研究人员对小波去噪[45]进行了大量研究。小波去噪的关键在于找到适合的小波基、分解层数和阈值，将含噪的信号在固定小波基和分解层数上进行小波分解，分解成多个小波系数。这些小波系数与阈值相比，认为大于阈值的小波系数主要由噪声组成，需去掉；而小于阈值的小波系数主要为有用信号，需保留，对保留下来的小波系数进行重构得到去噪后的信号。 　　在获取和传输语音信号时难免会被噪声感染，被感染后的语音信号大大降低了语音识别的准确率。为了有效去除语音信号中的噪声，本文结合VMD和小波去噪及信号处理优势提出基于VMD和小波阈值的语音信号去噪。仿真实验结果表明，本文提出的方法在低信噪比的情况下去噪性能优于直接用小波阈值去噪、基于EMD和小波阈值去噪以及基于EEMD和小波阈值去噪。 　　1去噪原理 　　1.1变分模态分解算法（VMD） 　　VMD是2013年由Dragomiretskiy等提出的自适应的、非递归的、将信号分解成有限个固有模态分量（Intrinsic Mode Function，IMF）之和的变分模态分解方法。 　　信号通过VMD算法处理被分解成K个IMF，这些固有模态均满足文献[6]中对固有模态的定义。 　　对每一个分解得到的模态都经过以下3个步骤：①通过Hilberthuang变换计算与该模态相关联的解析信号；②加入指数项调整模态的中心频率，将模态的频谱换到基带上；③将解调信号通过H1高斯平滑处理估计带宽。 　　通过上述3个步骤得到一个变分约束问题，为了求得模型的最优解引入二次罚函数项α和Lagrange乘子λ。 　　L（{uk}，{ωk}，λ）= 　　α∑k‖t[（δ（t）+jπt*uk（t）]e-jωkt‖22+ 　　‖f（t）-∑kuk（t）‖22+[λ（t），f（t）-∑kuk（t）]（1） 　　其中，ωk（t）为uk（t）的瞬时频率，δ（t）为Dirac分布，*代表卷积，k=1，2，…，K，f表示原始信号。 　　VMD对信号的具体分解过程如下： 　　（1）将{u1k}，{ω1k}，λ1和n的值初始化定义为0。 　　（2）定义n=n+1，执行循环过程。 　　（3）定义k=0，k=k+1，当kK时，执行内层第1个和第2个循环，分别更新uk和ωk，更新公式可描述如下： 　　un+1k（ω）= 　　（f（ω）-∑ikuni（ω）+λn（ω）/2）/1+ 　　2α（ω-ωnk）2（2） 　　ωn+1k=∫∞0ωun+1k（ω）2dω/∫∞0un+1k（ω）2dω（3） 　　更新λ为： 　　λn+1（ω）←λn（ω）+τ[f（ω）-∑kun+1k（ω）]（4） 　　（4）判断是否满足迭代停止条件∑k‖un+1k-unk‖22/‖unk‖22ε），如果满足，循环结束，输出得到的若干个IMF分量；否则，重复步骤（2